深度学习

业界普遍认为，人工智能迄今经历了两代。第一代人工智能是知识驱动型的，总体进展有限；第二代人工智能是数据驱动型的，也就是目前炙手可热的大数据、深度学习等，已经成为不少科技强国竞相争夺的战略技术高地。

机器阅读理解(英文Machine Reading Comprehension，简称MRC)是近期自然语言处理领域的研究热点之一，更是人工智能在处理和理解人类语言进程中的一个长期目标。得益于深度学习技术和大规模标注数据集的发展，用端到端的神经网络来解决阅读理解任务取得了长足的进步。

零售格局正在发生巨大的变化。实体零售商面临来自在线零售选择的激烈竞争，而且这似乎是不公平的。

趋势报告显示，越来越多的人工智能企业发现数据的标注开始成为抬高交付成本、制约效果提升的主要因素之一，不断强化无监督/弱监督学习由量变到质变，将助推企业从前期的迅速扩张到稳定期高效化运作的新阶段；AI与数字内容产业的深度耦合，也将有希望为行业释放更大的科技势能，构筑数字内容生成新范式。

新的创业公司纷纷入场，挑战英特尔、AMD、Nvidia、微软、高通，谷歌和IBM等老牌企业。像Graphcore、Nervana、Cerebras、Groq、Vathys、Cambricon、SambaNova Systems和Wave Computing这样的新兴公司正在成为为深度学习的未来铺平道路的新星。虽然这些初创公司肯定资金充足，但它们都处于早期阶段，我们还猜不出谁会成为赢家，老牌企业又会做到什么。

来自 UTSA、中佛罗里达大学 （UCF)、空军研究实验室 (AFRL) 和 SRI International 的研究人员开发了一种新方法，可以改善人工智能学习观察的方式。

自1956年AI“诞生”以来，其发展经历了两次“寒冬”，分别处于上世纪的70年代和80年代。虽然技术上的缺陷或障碍，似乎是直接导致这两次“寒冬”出现的原因，但更为深层的原因恐怕还是人类自身的认知所引发的。

从功能来看，AI芯片可以分为Training(训练)和Inference(推理)两个环节。Inference环节指利用训练好的模型，使用新的数据去"推理"出各种结论，如视频监控设备通过后台的深度神经网络模型，判断一张抓拍到的人脸是否属于黑名单。虽然Inference的计算量相比Training少很多，但仍然涉及大量的矩阵运算。在推理环节，GPU、FPGA和ASIC都有很多应用价值。

在深度学习的Training阶段，由于对数据量及运算量需求巨大，单一处理器几乎不可能独立完成一个模型的训练过程，因此，Training环节目前只能在云端实现，在设备端做Training目前还不是很明确的需求。

《人工智能芯片技术白皮书(2018)》第四章分析在CMOS工艺特征尺寸逐渐逼近极限的大背景下，结合AI芯片面临的架构挑战，AI芯片的技术趋势。一方面，研究具有生物系统优点而规避速度慢等缺点的新材料和新器件，采用新的计算架构和计算范式；另一方面，将芯片集成从二维平面向三维空间拓展，采用更为先进的集成手段和集成工艺，将是AI芯片技术在很长一段时期内的两条重要的路径。

对整个AI芯片产业而言，在算法的加持下，2018年将是密集爆发的一年，将以指数级速度向前发展，迅速渗透消费电子、家居、安防、智能驾驶、云计算以及工业、制造、金融、医疗、教育等各个领域。所有搭载芯片的电子设备都将提升AI计算能力，打造一个货真价实的AI社会。未来已来，我们或将进入一个AI新时代。